Adaptive Protocol for Rényi Entropy Estimation

기술 요약: Rényi 엔트로피 추정을 위한 적응형 프로토콜

문제 정의
2차 Rényi 엔트로피 $S^{(2)}$는 양자 다체 상태의 얽힘 구조를 특징짓는 데 있어 매우 중요한 지표이다. 샷 제한(shot-limited) 장치를 사용하는 실험적 환경에서, 무작위 측정(randomized measurements)을 통해 이 양을 추정하려면 두 가지 자원 파라미터인 무작위 국소 유니터리 설정의 수($N_U$)와 각 설정당 수행되는 투영 측정의 수($N_M$) 사이의 균형을 맞춰야 한다. 최적의 $N_U/N_M$ 비율은 상태에 따라 달라진다. 예를 들어, 최대 혼합 상태(maximally mixed states)는 더 적은 수의 유니터리와 유니터리당 더 많은 샷을 필요로 하는 반면, 곱 상태(product states)나 고도로 순수한 상태는 기저 의존적 변동을 포착하기 위해 많은 수의 유니터리를 필요로 한다. 고정된 비율의 프로토콜은 이러한 특정 상태의 특성에 적응하지 못하는 경우가 많아, 주어진 측정 예산 내에서 자원 할당이 최적화되지 못하고 추정 오차가 높아지는 결과를 초래한다.

방법론
저자들은 실험 중에 수집된 데이터를 기반으로 $N_U$와 $N_M$의 할당을 반복적으로 최적화하는 적응형 프로토콜을 제안한다. 이 방법은 국소 무작위 유니터리(구체적으로는 국소 유니터리 2-design) 하에서의 단일 복사 측정으로부터 유도된 해밍 커널(Hamming kernel) 정식화를 사용하여 순도 $p = \text{Tr}(\rho_A^2)$를 추정하는 표준 무작위 측정 프레임워크를 기반으로 한다.

이 적응형 스킴의 핵심은 다음과 같다:

1. 분산 분해: 순도 추정량의 총 분산을 두 가지 성분, 즉 유니터리에 의한 분산($V_U$)과 샷 노이즈 분산($V_{\text{shot}}$)으로 분해한다.
2. 그래디언트 기반 의사 결정: 프로토콜은 유니터리($N_U$) 또는 샷 수($N_M$)를 증가시킬 때 발생하는 총 오차의 "유효 하강(effective descent)"을 계산한다. 이 그래디언트들은 상태 특이적 계수($\bar{\zeta}_1, \bar{\zeta}_2$)에 의존하며 해석적으로 유도된다.
3. 불편 추정량(Unbiased Estimators): 실제 상태는 알 수 없으므로, 프로토콜은 실험적 측정 횟수만을 사용하여 분산 성분과 유효 하강($L_U$ 및 $L_M$)에 대한 불편 추정량을 구성한다.
4. 반복적 할당: 작은 초기값($N_U^{(0)} \ge 2, N_M^{(0)} \ge 4$)에서 시작하여, 프로토콜은 추정된 하강 값을 비교한다. 만약 $L_U \ge L_M$이면 새로운 무작위 유니터리를 샘플링하고, 그렇지 않으면 기존 유니터리당 샷 수를 늘린다.
5. 가드 메커니즘: 초기 샷 노이즈로 인해 한 가지 파라미터만 계속 증가시키는 "캐스케이드(cascade)" 현상에 빠지는 것을 방지하기 위해, "웜업 안티-캐스케이드 가드(warm-up anti-cascade guard)"를 도입하여 $N_U$가 일정 임계값 미만으로 유지되는 횟수가 정해진 횟수에 도달하면 새로운 유니터리 샘플링을 강제한다.

주요 결과
저자들은 여러 전형적인 8-큐비트 상태(무작위 혼합 상태, Haar-무작위 순수 상태, GHZ 상태, 곱 상태)로부터 생성된 정확한 확률 분포를 사용한 합성 데이터를 통해 프로토콜을 검증하였다.

• 최적 비율로의 수렴: 적응형 프로토콜은 근사적으로 최적인 $N_U/N_M$ 비율로 일관되게 수렴한다. 곱 상태(높은 순도)의 경우, 비율이 큰 $N_U$ 쪽으로 이동하며(예: $N_U/N_M \sim 10^2$), 거의 최대 혼합 상태의 경우 큰 $N_M$ 쪽으로 이동한다(예: $N_U/N_M \sim 10^{-1}$).
• 고정 비율 대비 성능: 동일한 총 예산($N_{\text{tot}} = 10,000$)을 가진 그리드 탐색 기반의 고정 비율 프로토콜과 비교했을 때, 적응형 방법은 높은 순도 및 중간 순도 상태에 대해 최적의 고정 비율 선택과 대등한 성능을 달성한다. 무작위 순수 및 혼합 상태의 경우, 표준 편차는 최적의 고정 비율 성능의 약 1.2배에서 2.5배 범위 내에 머문다.
• 스케일링 동작: 저자들은 시스템 크기 $N$이 증가함에 따라 고정된 정확도($|\hat{p} - p| \le 0.1$)를 달성하기 위해 필요한 자원($N_U N_M$)의 스케일링을 조사하였다. 적응형 프로토콜은 모든 상태 유형에 대해 테스트된 모든 고정 비율 프로토콜(대형, 균형, 소형 비율)보다 더 작은 스케일링 지수($2^{aN+b}$의 $a$)를 보인다. 예를 들어, 모든 스핀이 위를 향하는 상태(all-spin-up state)에 대해 적응형 지수는 1.21이었으며, 고정 비율의 경우 1.26–1.46이었다.
• 동시 추정: 프로토콜은 특정 타겟 부치(subsystem)에 의해 결정되는 하나의 측정 결과 세트로부터 여러 인접 부치의 Rényi 엔트로피를 동시에 추정할 수 있게 한다.

의의 및 주장
본 논문은 이 적응형 프로토콜이 상태의 순도나 구조에 대한 사전 지식이 필요 없는 "상태 불가지론적(state-blind)" 방법으로 무작위 측정 프레임워크를 확장한다고 주장한다. 이 연구의 주요 의의는 가용 가능한 측정 예산을 효과적으로 사용하여 유한한 크기 및 샷 제한 환경에서의 Rényi 엔트로피 추정 효율을 높이는 데 있다.

저자들은 적응형 프로토로가 자원 스케일링 지수 측면에서 고정 비율 선택보다 우수함을 보여주었지만, 모든 특정 시스템 크기에 대해 최적으로 조정된 비율을 가진 비적응형 프로토콜 또한 유사한 스케일링을 달성할 가능성을 배제하지는 않는다고 겸허히 언급하였다. 또한, 본 방법은 2차 Rényi 엔트로피를 위해 입증되었으나, 저자들은 이를 고차 Rényi 엔트로피나 $\text{Tr}(O\rho^2)$와 같은 다른 관측량으로 일반화할 수 있을 가능성을 시사하였으나, 이러한 확장에 대한 실험적 증명은 제공하지 않았다. 이 연구는 적응성이 샘플 복잡도(sample complexity)를 줄이는 구체적인 과업을 강조함으로써 양자 학습(quantum learning)이라는 더 넓은 분야에 기여하는 것으로 제시된다.